摘要
实体链接是指将提及项与给定知识库中的相应实体对齐的任务。以往的研究强调了实体链接系统需要捕捉全局一致性的重要性。然而，先前的全局模型存在两个常见的弱点。首先，大多数模型计算所有候选实体之间的成对得分，并选择最相关的实体组作为最终结果。在这个过程中，错误实体之间的一致性和正确实体之间的一致性都会被考虑在内，这可能会引入噪声数据并增加模型复杂度。其次，先前已消歧的实体提供的线索通常被之前的模型忽略，而这些线索有助于后续提及项的消歧。为了解决这些问题，我们将全局链接转化为一个序列决策问题，并提出了一种从全局视角进行决策的强化学习模型。我们的模型充分利用了之前引用的实体，并探索当前选择对后续决策的长期影响。我们在不同类型的数据集上进行了实验，结果显示我们的模型优于现有的最先进系统，并具有更好的泛化性能。